-
公开(公告)号：CN119108099A
公开(公告)日：2024-12-10
申请号：CN202411191743.1
申请日：2024-08-28
Applicant: 南通大学
IPC: G16H50/20 , A61B5/16 , A61B5/00 , A61B5/055 , G16H50/70 , G06N3/049 , G06N3/0464 , G06N3/045 , G06N3/0455 , G06N3/06 , G06N3/08 , G06F18/241
Abstract: 本发明提供了基于脉冲结构‑功能脑网络耦合的精神疾病识别方法，属于智能辅助医疗诊断技术领域，有效解决了传统精神疾病诊断过程中常被忽略的结构连接与功能连接之间的神经生物学机制的技术问题。其技术方案为：首先从功能磁共振成像和扩散张量成像中提取功能和结构脑网络；接着通过BrainNetCNN提取这两种脑网络的信息特征图；然后构建脉冲耦合神经网络来学习大脑结构‑功能耦合机制，以此得出脉冲结构‑功能耦合；最后将得到的耦合信息输入到分类层获得疾病识别结果，并使用交叉熵损失函数对结果进行训练和优化。本发明的有益效果为：本发明有助于深入理解精神疾病的神经机制，在临床应用中具有广泛应用的前景。
-
公开(公告)号：CN118690758A
公开(公告)日：2024-09-24
申请号：CN202410818693.9
申请日：2024-06-24
Applicant: 南通大学
IPC: G06F40/58 , G06F40/284 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/044 , G06F18/213 , G06F18/22 , G06F18/25
Abstract: 本发明提供了一种基于文档嵌入的神经机器翻译方法，属于自然语言处理技术领域。其技术方案为：首先，我们对语料库进行处理，针对具有明确边界的语料，将边界内的所有句子定义为一个文档，全局文档或者局部文档嵌入作为标记放在句子前，组合后的源嵌入和句子的目标翻译结果输入到模型中；然后，在语料库上训练一个文档级增强的神经机器翻译模型，该模型使用Transformer的编码器和解码器来处理输入的两组句子；接着，在编码器阶段有6个自注意力隐藏层和前馈层，来提取句子特征；最后，计算源句子和目标句子之间的相似度，以获得句子翻译的BLEU分数。本发明的有益效果为：预测准确率提高，帮助使用者更准确地获得文档的翻译结果。
-
公开(公告)号：CN117058393B
公开(公告)日：2024-06-25
申请号：CN202311108211.2
申请日：2023-08-30
Applicant: 南通大学
IPC: G06V10/26 , G06V10/762 , G06V10/74 , G06T7/00
Abstract: 本发明提供了一种用于眼底硬性渗出图像分割的超像素三支证据DPC方法，属于图像处理分析技术领域。解决了聚类医学图像分割中参数难以确定，边缘区域划分不清晰的技术问题。其技术方案为：包括以下步骤：S10、人工获取眼底硬性渗出图像的病变区域；S20、对眼底硬性渗出图像进行预处理得到图像的CIELab空间；S30、对获得的CIELab空间进行SLIC超像素处理；S40、基于三支聚类理论将图像分割分为两阶段；S50、在获取第一阶段回传的病变图像信息之上。本发明的有益效果为：本发明通过引入超像素算法提高了运行效率，为糖尿病视网膜硬性渗出病变疾病的临床诊断和患者的发现治疗提供了重要的医学影像依据。
-
公开(公告)号：CN117829198A
公开(公告)日：2024-04-05
申请号：CN202410006813.5
申请日：2024-01-03
Applicant: 南通大学
IPC: G06N3/006
Abstract: 本发明提供了一种信息素引导粗糙超立方体的高维大规模并行属性约简方法，属于智能信息处理技术领域。其技术方案为：利用Spark读取高维大规模数据并转换为RDD格式；初始化信息素矩阵，构建粗糙超立方体模型；并行计算属性的评价指标并综合计算适应度得分；迭代循环，每次迭代根据适应度得分更新信息素矩阵；根据信息素矩阵更新狼群的位置；达到最大迭代次数，将最佳适应度的个体位置编码转换成属性子集。本发明利用信息素机制引导灰狼算法，结合粗糙超立方体方法，有效地处理和分析大规模、多维度的数据，得到紧凑且高具辨别力的属性子集。
-
公开(公告)号：CN116759069A
公开(公告)日：2023-09-15
申请号：CN202310651001.1
申请日：2023-06-02
Applicant: 南通大学
Abstract: 本发明提供了一种用于大规模认知障碍疾病检测的动态加权属性约简方法，属于医学信息智能处理技术领域，传统方法在处理大规模数据处理时间较长，复杂的认知障碍疾病特征选择中会导致不确定性的技术问题。其技术方案为：包括以下步骤：S1、大规模认知障碍疾病数据获取与预处理；S2、计算认知障碍疾病原始数据和增量数据的知识粒度；S3、构建动态特征交互加权属性树；S4、将构建的动态特征交互加权属性树分支，每轮分支结束时将低权重属性添加到交互集F中进行增量特征交互；S5、在所有属性树完成分支后，将计算节点约简集输出到主节点，获得大规模认知障碍疾病数据约简。本发明的有益效果为：可以有效提高特征选择的速度并提高精度。
-
Patent Agency Ranking
公开(公告)号：CN119833122A
公开(公告)日：2025-04-15
申请号：CN202510041745.0
申请日：2025-01-10
Applicant: 南通大学
IPC: G16H50/20 , A61B5/00 , A61B5/055 , G16H50/70 , G06F18/241 , G06N3/049 , G06N3/0464 , G06N3/045 , G06N3/08 , G06F123/02
Abstract: 本发明提供了基于动态脉冲神经网络的脑疾病结构‑功能耦合分析方法，属于智能辅助医疗诊断技术领域，有效解决了现有结构‑功能耦合分析方法在捕捉大脑动态变化、非线性耦合特性以及整合多模态数据方面的不足的技术问题。其技术方案为：首先构建动态脉冲神经网络模型；接着从原始fMRI时间序列中提取脉冲结构连接矩阵；然后从功能脑网络中提取脉冲功能连接矩阵，并将其输入到脉冲耦合池化模块得到脉冲结构‑功能耦合；最后将得到的耦合信息输入到分类层获得疾病识别结果。本发明的有益效果为：本发明的显著优势在于为脑疾病研究提供了全新的分析工具和视角，推动了对脑疾病神经机制的深入理解，并且在临床应用中展现出广泛的应用潜力。
-
公开(公告)号：CN119477935A
公开(公告)日：2025-02-18
申请号：CN202411393930.8
申请日：2024-10-08
Applicant: 南通大学
IPC: G06T7/11 , G06N3/043 , G06N3/0455 , G06N3/0464 , G06N3/0442 , G06N3/084
Abstract: 本发明提供了一种基于模糊卷积结合Transformer的2D脑部肿瘤分割方法，属于医学图像处理与深度学习技术领域。解决了现有方法难以同时精确分割脑部肿瘤模糊边界和降低计算资源量的技术问题。其技术方案为：构建基于模糊卷积结合Transformer的2D脑部肿瘤分割模型，该模型包括模糊学习模块、卷积神经网络、编码器、解码器以及门控权重控制器，模糊学习模块包括模糊隶属度函数和模糊规则，卷积神经网络受ResNet的启发，编码器包括卷积层以及门控轴向自注意力模块，解码器包括卷积层和反卷积层。本发明的有益效果为：提升脑部肿瘤的分割精确性的同时降低了计算资源量。
-
公开(公告)号：CN119205819A
公开(公告)日：2024-12-27
申请号：CN202411468561.4
申请日：2024-10-21
Applicant: 南通大学
Abstract: 本发明提供了一种基于模糊学习的脑肿瘤图像加速扩散网络分割方法，属于医学图像智能分割技术领域。解决了脑肿瘤图像因纹理模糊和边界消失导致的分割准确率低的技术问题。其技术方案为：包括以下步骤：S1、对脑肿瘤图像数据集进行数据预处理；S2、对脑肿瘤图像使用3D U‑Net网络进行预分割，将得到的分割图进行迭代加噪使其成为一个纯噪声图像；S3、对纯噪声图像进行迭代去噪，使用模糊U‑Net网络学习去噪过程；S4、提前停止去噪过程，使用3D U‑Net网络对分割图进行分割得到最终的分割结果。本发明的有益效果为：分割准确率高，为脑肿瘤图像的分割提供决策支持，为医生的诊断提供了便利。
-
公开(公告)号：CN117542503B
公开(公告)日：2024-09-24
申请号：CN202311334208.2
申请日：2023-10-16
Applicant: 南通大学
IPC: G16H50/20 , G06F18/241 , G06F18/213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08 , A61B5/00 , A61B5/055 , A61B5/16
Abstract: 本发明提供了基于动态证据融合神经网络的精神分裂症多视图分类方法，属于智能医学处理技术领域；其技术方案为：利用边缘到边缘、边缘到节点和节点到图卷积滤波器提取精神分裂症患者动态脑网络连接矩阵每个视图的特征图；将每个视图的特征图分别通过全连接层和激活层以获得多视图动态证据；根据动态证据导出迪利克雷分布参数，调整置信度后构建动态信任函数并计算每个视图的动态信任函数；在分类的决策层进行证据融合后获得联合信任函数；使用多视图损失函数训练神经网络。本发明的有益效果为：本发明分类精度较好，为精神分裂症诊断提供决策支持，提高患者就医满意度。
-
公开(公告)号：CN118332330A
公开(公告)日：2024-07-12
申请号：CN202410365821.9
申请日：2024-03-28
Applicant: 南通大学
IPC: G06F18/214 , G06Q50/00 , G06F17/13 , G06F16/35
Abstract: 本发明提供了基于社会学信息神经网络的观点预测改进方法，属于观点动力学技术领域。本发明在预测观点的精度更高。其技术方案为：收集社交网络中某一话题的评论数据集，将评论数据集进行预处理，并分为训练集与测试集；构建FNN神经网络模型，输入时间和用户，输出观点值，将其用于近似观点的演变；将观点动力学模型重新表述为普通微分方程，并计算损失函数值ode loss，并在这个约束下进行训练神经网络模型；将测试数据集中的每个用户输入到该模型中进行分析，从而得出每个用户样本的预测观点。本发明的有益效果：利用小样本进行分析，从而训练出能准确预测观点的模型，提高准确率。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.036 seconds)
